Telafi verileri için en iyi terim?

Bir örnek yazıyorum ve bazı veriler oluşturdum. Okuyucunun net bir veri olmadığını açıkça belirtmek istiyorum, ama aynı zamanda bir örnek teşkil ettiği için kötülük izlenimi vermek istemiyorum.

Bu özel verinin (sözde) rastgele bileşeni yoktur, bu yüzden bana 'benzetimin' uygun olmadığı anlaşılıyor. Eğer onu hayali ya da uydurma olarak adlandırırsam, sahte veri izlenimi veriyor mu? 'Oluşturan' bilimsel bir çerçeveye uyacak bir kelime midir?

Simüle edilmemiş telafi verileri için istatistiksel literatürdeki terminoloji nedir?

Muhtemelen bu "sentetik" veya "yapay" veri olarak adlandırırım, buna "benzetim" de diyebilirim (simülasyon sadece çok basit).

Verilerinize hayali olarak atıfta bulunmak istiyorsanız, iyi bir şirket olurdunuz, çünkü Francis Anscombe şimdiki ünlü dörtlüsünü tarif etmek için kullanılan terim .

Anscombe, FJ (1973) 'den. " İstatistiksel Analizde Grafikler ", Am. Stat. 27 (1):

Bu noktaların bazıları, tabloda gösterilen her biri on bir (x, y) çiftten oluşan dört kurgusal veri seti ile gösterilmektedir.

Fakat OED'im (v4) kurgusallığın bu kullanımının eski olduğunu gösteriyor gibi gözüktüğünüz için dikkatli olduğunuzu düşünüyorum.

hayali , a.

(Fɪktɪʃəs)

[F. L. fictīci-us (f. Moda, parmak gibi) + -ous: bkz. -İtious.

1.1 † a.1.a Doğal olanın aksine yapay (obs.). b.1.b Sahte, 'taklit', sahte; hakiki değil.

BT'de genellikle mockup (uygulama) aracılığıyla sunulabilen mockup verileri olarak adlandırıyoruz .

Mockup verileri, örneğin uygulamanın işlevselliğini kontrollü bir şekilde test etmek için tamamen işlevsel bir uygulama aracılığıyla da sunulabilir.

"Sentetik veri" terimi için tekrarlanan öneriler gördüm. Bununla birlikte, bu terimin ifade etmek istediklerinden çokça kullanılmış ve çok farklı bir anlamı vardır: https://en.wikipedia.org/wiki/Synthetic_data

Genel kabul görmüş bir bilimsel terimin olduğundan emin değilim, ancak "örnek veri" teriminin yanlış anlaşılması zor görünüyor?

'Sahte veri' terimine adil bir miktar rastladım. Sanırım bazı olumsuz çağrışımları olabilir ama benim için olumsuz bir şekilde kayıt yaptırmamasını yeterince sık duydum.

FWIW, Andrew Gelman da kullanıyor:

https://statmodeling.stat.columbia.edu/2009/09/04/fake-data_simul/

https://statmodeling.stat.columbia.edu/2019/03/23/yes-i-really-really-really-like-fake-data-simulation-and-i-cant-stop-talking-about-it/

https://books.google.dk/books?id=lV3DIdV0F9AC&pg=PA155&lpg=PA155&dq=fake+data+simulation&source=bl&ots=6ljKB6StQ4&sig=ACfU3U17GLP_84q_HfIQB4u5O6wV0yA2Aw&hl=en&sa=X&ved=2ahUKEwiF2_eB0uvjAhWswcQBHSn5Cn04ChDoATAAegQICRAB#v=onepage&q=fake%20data%20simulation&f=false

'Sahte veri' için hızlı bir google araması, terimi benzer bir şekilde kullanıyor gibi görünen pek çok sonuç getirir:

https://scientistseessquirrel.wordpress.com/2016/03/10/good-uses-for-fake-data-part-1/

http://modernstatisticalworkflow.blogspot.com/2017/04/an-easy-way-to-simulate-fake-data-from.html

https://clayford.github.io/dwir/dwr_12_generating_data.html

Ve bunun fakeRnispeten yaygın olduğunu gösteren bir paket bile var : https://cran.r-project.org/web/packages/fakeR/fakeR.pdf

Verileri kullanma şeklimize bağlı olarak farklı bir kelime kullanıyorum. Telafi veri setinin etrafta yattığını tespit ettiğim ve algoritmamı onaylayıcı bir şekilde işaret ettiğimde, "sentetik" kelimesi gayet iyi.

Ancak, çoğu zaman ne zaman bu tip bir veri kullandığımda, verileri algoritmamın yeteneklerini gösterme niyetiyle icat ettim. Başka bir deyişle, “iyi sonuçlar” elde etmek için belirli bir veriyi icat ettim. Bu gibi durumlarda, veriler için beklentilerimin açıklanmasının yanı sıra “kabul edilen” terimine de düşkünüm. Bunun nedeni, algoritmamı, etrafta yattığım rastgele bir sentetik veri setine işaret ettiğimi düşünme hatası yapmasını istemememdir ve gerçekten iyi sonuç vermiştir. Özellikle algoritmamın iyi çalışmasını sağlamak için kirazdan toplanmış verilerim varsa (gerçekten telafi etme noktasına), bunu söylüyorum. Bunun nedeni, bu tür sonuçların algoritmamın yapabileceğine dair kanıt sağlamasıdır.İyi çalışın, ancak algoritmanın genel olarak iyi sonuç vermesini bekleyebileceğiniz yalnızca çok zayıf kanıtlar sağlayın . "Contcont" kelimesi gerçekten bir aklımda "iyi sonuçlar" olan verileri seçtiğim gerçeğini güzelce özetliyor.

“Bu sahte verilerin izlenimini veriyor mu?”

Hayır, ama, herhangi bir veri kümesi kaynağı ve hakkında açık olmak önemlidir sizin herhangi veri kümesi sonuçlarınızı bildirirken deneyci olarak önsel beklentilere. Terimi "dolandırıcılık" açıkça bir şey örtbas ettikten veya düpedüz yalan olan bir yönünü kapsamaktadır. Bilimde sahtekarlık önlemek komisyonuna 1. yolu basitçe olmaktır dürüst ve açık sözlü verileriniz ve beklentileriniz doğası hakkında. Başka bir deyişle, verileriniz üretilirse ve herhangi bir şekilde söyleyemiyorsanız ve verilerin üretilmemesi yönünde bir beklenti varsa veya daha da kötüsü, verilerin üretilmemiş bir sıralamada toplandığını iddia ediyorsunuz. yol, o ise"Dolandırıcılık". O şeyi yapma "Sentetik" gibi "kulağa daha iyi geliyor" anlamına gelen "fabrikasyon" terimi için bazı eş anlamlılar kullanmak isterseniz, hiç kimse sizi suçlamayacak, ama aynı zamanda sizden başka kimsenin farkına varamayacağını da sanmıyorum.

Bir not:

Daha az aşikar olan, bir iddiaya göre aslında hoc açıklamalar yapan priori beklentileri olan durumlar . Bu aynı zamanda verilerin sahte analizidir.

Özellikle bir veriyi, sıklıkla sentetik verilerde söz konusu olan bir algoritmanın yeteneklerini “göstermek” amacıyla seçtiği zaman bunun tehlikesi vardır.

$D$$H$$H$$D$$D$

$H$$D$$H$$D$

Yaptıklarınızla ilgili dürüst ve dürüst olduğunuz sürece, bunu yaparken hiçbir sorun yoktur . Eğer "iyi sonuçlar" veren bir veri seti oluşturmak için acı çekmişseniz, bunu söyleyin. Okuyucunun veri analizinizde attığınız adımları bilmesine izin verdiğiniz sürece, hipotezlerinize veya kanıtlarınıza etkili bir şekilde ağırlık vermek için gerekli bilgilere sahiptir. Eğer olmadığında dürüst veya olmayan açık sözlü , o zaman bu sizin kanıtlar olduğundan daha güçlü olduğu izlenimini verebilir. Delilinizi gerçeğe göre daha güçlü göstermesi uğruna dürüst ve dürüst olmak gerekirse , bildiğinizden daha az zaman , o zaman bu gerçekten sahtekarlıktır..

Her durumda, bu yüzden bu tip veri setleri için “kabul edilen” terimini, akıllarında bir hipotezle seçildikleri kısa bir açıklama ile birlikte tercih ediyorum. "Contended", yalnızca sentetik bir veri kümesi oluşturduğumun değil, aynı zamanda hipotezimin veri setimin oluşturulmasından önce var olduğu gerçeğini yansıtan özel niyetlerle de ifade ediyor.

Bir örnekle göstermek için: İsteğe bağlı zaman serilerinin analizi için bir algoritma yaratırsınız. Bu algoritmanın zaman serisine işaret ettiğinde "iyi sonuçlar" vereceğini varsayıyorsunuz. Şimdi, şu iki olasılığı göz önünde bulundurun: 1) Algoritmanızın iyi çalışmasını beklediğiniz türden bir görünüme sahip bazı sentetik veriler yaratırsınız. Bu verileri analiz edersiniz ve algoritma iyi performans gösterir. 2) Bazı sentetik veri kümelerini aldınız, çünkü bunlar neden olmasın diye mevcut. Bu verileri analiz edersiniz ve algoritma iyi performans gösterir. Bu iki durumdan hangisi algoritmanızın keyfi zaman serilerinde iyi performans gösterdiğine dair daha iyi kanıt sağlar? Açıkçası, seçenek 2'dir. Ancak, seçenek 1 veya seçenek 2'de "algoritma uyguladığımızı" bildirmek kolay olabilir$A$$D$$x.y$

tl; Dr.

"Sentetik", "kesinleşmiş", "uydurulmuş", "hayali" olarak ne demek isterseniz kullanın. Ancak, kullandığınız terim, sonuçlarınızın yanıltıcı olmadığından emin olmak için yetersizdir . Raporda, verilerle ilgili beklentileriniz ve seçtiğiniz verileri seçtiğiniz nedenler de dahil olmak üzere verilerin nasıl ortaya çıktığı konusunda net olduğunuzdan emin olun.

Öncelikle, buna "veri kümesi" dememek için hiçbir neden yoktur. "Sahte" vs "benzetilmiş" vs ... veriler için evrensel olarak onaylanmış terimler yoktur. Eğer amaç tamamen açıksa, bu veri setinin ne olduğunu nitelemek için bir cümle yerine bir cümleyi ayırmak en iyisidir. Bundan sonra, atamayı rahatlatabilir ve verilerinize veri olarak bakabilirsiniz.

"Sentetik", "yapay" aklımdaki diğer MCMC örneklenmiş "benzetilmiş" veri kümelerinden ayırt etmiyor. Sabit bir tohum ile bir quasirandom sayı üreteci kullanmak (uygun eğitim dikte edeceği gibi), aynı zamanda sentetik veya yapay bir veri seti oluşturur.

Bir olasılık modelinden bir örnek veya gerçekleştirme yapmak yerine, belirli bir gösterim için bir veri setinin küratörlüğünü yapma noktası varsa, böyle bir veri setine " örnek veri seti " demenin daha iyi olacağını düşünüyorum . Bunun gibi veriler Anscombe'nun dörtlüsüne benziyor: tamamen soyut ve mantıklı değil, ancak bir noktaya değiniyor.

Biyolojide, analizler bazen efsanevi hayvanlardan oluşan bir veri kümesi kullanılarak gösterilmektedir. Verilerin simüle edildiğini açıkça belirtmemek veya belirtmemek yazar / eleştirmene bağlıdır.

Bir ekolojistin hayvan modeli rehberi, 2009

Bu eğitimler, bir gripon popülasyonu üzerine bir dizi kantitatif genetik analiz tanımlamaktadır (yazarların kuş ve memeli önyargıları arasındaki bir uzlaşmayı yansıtmaktadır). Grifon efsanevi bir canavar olduğu için, sağlanan veriler mutlaka benzetildi.

Sabit etki varyansı ve tekrarlanabilirliklerin ve kalıtımsallıkların tahmini: Sorunlar ve çözümler, 2017

Bunu göstermek için, Wilson'un (2008) tek boynuzlu at veri kümesine geri dönelim. Tek boynuzlu atlarda, boynuz uzunluğunun bireysel vücut kütlesine göre değiştiği bilinen bir gerçektir (eğim:, = 0.403 yaş, cinsiyet ve etkileşimlerini içeren tam bir model için).

Sezgisel olarak “Kukla veri” terimine giderdim, aynı anlamda “Lorem ipsum ...” 'Kukla metin' olarak adlandırılır. 'Kukla' kelimesi, farklı kökenden gelen insanlar için oldukça genel ve anlaşılması kolaydır ve bu nedenle daha az istatistiksel bir geçmişe sahip okuyucular tarafından yanlış anlaşılma olasılığı daha düşüktür.

Veri Latince verilen için bir kısaltma olarak modern zamanlarda kullanılan, kaydedilen gerçeklerin kümesi verilen . Bu nedenle, fabrikada yapılan kayıtlara bir tür belirli gerçeklerin atıfta bulunulması açık bir çelişki olacaktır.

Bununla birlikte, basitçe kayıtlara atıfta bulunmak için artan veri kullanımı nedeniyle - kayıtların gerçeklerin olduğu varsayımına bakılmaksızın - birbirini mutlu bir şekilde anlıyoruz - gerçeğe uygun olabilecek veya olamayabilecek kayıtlardan söz ederken - bu nedenle gerçek / sahte veriler.

Aşağıdaki fabrikasyon kayıtları ele almanın yollarını deneyimleyeceğim. Kullanılan etiket, daha fazla analiz sağlamak için makul ölçüde gerçekçi görünmek için tasarlanmış bir kayıt olarak veriden ya da bir hesaplama yükü olarak verilerden bahsettiğimizi varsayıyor olup olmamasına bağlıdır.

• Analitik / veri bilimi / stratejik danışmanlık çevrelerinde, insanlar en sık sentetik veriler olarak gerçekçi varsayımlar altında üretilen ve bazen de benzetilmiş veriler olarak üretilen fabrikasyon bir kayıt kümesini ele almaktadır . Ham varsayımlar kullanılarak oluşturulan fabrikasyon kayıtlara oyuncak veri kümesi adı verilir .
• Yazılım mühendisleri arasında, sahte veriler , sahte veriler , tamamlanmış veriler ve sahte veriler , çoğunlukla gerçekçi özelliklere sahip olmak zorunda olmadıklarını ancak esas verileri orijinal verilerle paylaşmayı gerektiren kayıtlara işaret eden sık kullanılan etiketlerdir (yaş verileri her zaman sayısaldır. , e-posta adresleri daima “@“) içeren karakter dizileridir.
• Akademik araştırmacılar, sahte veri veya benzetilmiş veri olarak yapılmış gerçekçi bir dizi kayıttan bahsedebilir . Bazı çevrelerde, yapılan bir dizi gözlem bir Monte Carlo simülasyonunun sonucuysa, konuşmaya Monte Carlo olarak atıfta bulunabilir . Yarı gerçekçi kayıtlar, genel amaçlı açıklama amacıyla veya alternatif hipotezleri test etmek için kullanılır ve oyuncak veri kümesi olarak adlandırılır.